Agent 对话
从主题入口到结构化知识，探索如何让模糊需求形成可继续推进的对话。
从回答一个问题，到陪用户走完下一步
宠物主进入咨询时，可能同时面临信息缺口与情绪压力。“我的宠物刚去世，怎么办？”背后，既有接运、费用与服务选择，也有不知从何开始的慌乱。智能客服的目标，是先接住问题，再帮助用户明确当前要做的事。
现有实践包括主题入口、相关问题卡片与结构化知识整理；下面的 RAG、路由、评估和任务型助手，是围绕这些实践展开的方案设计。尚未获得验证数据的部分，不作为已实现效果展示。
知识组织与 RAG：让回答有依据
知识库按临终关怀、告别仪式、接运服务、遗体处理、纪念服务五个主题组织，每个主题下配置关键词、常见问题与回答。方案选择检索增强生成：先找相关资料，再把资料作为上下文，最后组织成自然语言回答。
按问题找到相关知识，保留主题与适用条件。
把检索内容作为回答依据；资料不足时先澄清。
组织回答与下一步提示，避免超出已有依据。
采用这种方向，是为了让服务信息更容易更新、让回答依据可检查。它仍需要验证检索是否找对、内容是否过期、生成是否忠于资料，不能把接入知识库等同于回答准确。
冷启动：先做可靠内容，再积累真实问题
在用户问答积累不足时，先从已有服务资料和社区问题提取常见需求，人工整理标准问答。再围绕同义表达、缺失条件和跨主题提问制作测试样例；AI 生成的模拟问题可用于补充测试，但不能代替真实用户反馈。
持续维护关注三类信号：没有命中的问题、用户认为没有帮助的回答、已失效的信息。补充来源、更新时间与适用范围，并为低置信度或高风险问题保留人工复核入口，是这一方案需要补齐的运营机制。
效果评估：从“答得像”走向“确实有帮助”
以下是待验证的评价框架，不是现有成绩。满意度、解决率和速度需要分别观察，避免用一个综合分掩盖问题。
问题解决率、回答依据一致性、无答案时能否正确澄清。
会话满意度、重复追问原因、是否得到清楚的下一步。
首次响应时间、完整回答时间、单次已解决咨询的调用成本。
先建立人工标注的小规模样例集，再比较不同检索、提示和路由方案；用户量允许时，再开展有明确成功标准的对照实验。减少调用成本的前提是回答质量达到要求。
成本与体验：把生成能力用在需要的地方
方案考虑用低成本知识问答处理简单、稳定的事实问题，把复杂、模糊或多轮问题交给模型组织。意图识别决定分流，但识别不确定时需要回退策略。缓存只适用于条件一致、时效允许的信息，涉及地区和价格变动时要重新核对。
响应慢时，应先给出真实的处理状态，再返回完整答案；不能为了显得快速而提前给出未经核对的结论。后续需要同时记录模型调用、检索耗时、路由错误与解决结果，才能判断节省是否值得。
场景化对话：共情之后给出可执行的下一步
面对“刚刚失去宠物”的表达，先简短回应情绪，再询问完成当前任务必需的信息，例如所在地区、宠物体型以及是否希望保留骨灰。随后说明可选择的服务路径，让用户决定继续了解哪一步，避免一次抛出过长的问卷。
医疗判断、未经核实的当地规定和具体商家承诺需要专业确认。知识不足时明确说明，必要时转向人工；信息收集也只围绕当前任务，不要求无关的个人隐私。
能力演进：问答、任务协助与主动服务
检索知识并组织回答，解决“答得对、答得清楚”。
识别目标、澄清条件、组织步骤；有工具支持时，再由用户确认后执行。
在用户同意的范围内提醒与跟进，允许关闭，不把情绪关怀变成消费催促。
这是一条规划路径。流程执行、工具调用与主动提醒尚需相应实现和验证，不能仅凭自然语言对话就宣称具备这些能力。
设计记录
以下是整理智能客服时的原始思考，覆盖冷启动、成本、体验与演进方向。
